P DỤNG PHƯƠNG PH P GLUE Đ NH GI BẤT ĐỊNH
CHO BỘ THÔNG SỐ V DỮ LIỆU MƯ ĐẦU V O MÔ HÌNH SURR TRONG MÔ PHỎNG KHU GIỮ SÔNG LÔ
Lê Thị Kim Ngân(1), Nguyễn Hoàng Minh(2)
(1)Trung tâm Tư vấn, Dịch vụ Khí tượng Thủy văn và Biến đổi khí hậu
(2)Khoa Kỹ thuật Dân dụng và Môi trường, trường ĐH Sejong, Seoul, Hàn Quốc
Ngày nhận bài 26/2/2018; ngày chuyển phản biện 29/2/2018; ngày chấp nhận đăng 20/3/2018
Tóm tắt:Trong quá trình sử dụng các mô hình mưa - dòng chảy luôn tồn tại những sai số nhất định do các nguyên nhân chủ quan cũng như khách quan. Vì vậy, việc đánh giá độ bất định của của bộ thông số mô hình và số liệu đầu vào mô hình đóng vai trò rất quan trọng. Nghiên cứu ngày sẽ giới thiệu phương pháp ước lượng bất định GLUE để đánh giá cho bộ thông số mô hình dòng chảy SURR và dữ liệu mưa đầu vào trong mô phỏng lưu vực khu giữa sông Lô. Mục êu của báo cáo nhằm m ra bộ thông số phù hợp cho việc mô phỏng dòng chảy trên lưu vực khu giữa sông Lô. Kết quả đánh giá bất định cho phép tăng độ chính xác của quá trình dự báo dòng chảy.
Từ khóa:Đánh giá bất định, GLUE, mô hình SURR, sông Lô.
1. Mở đầu
Mô phỏng mưa - dòng chảy sử d ng mô hình thủy văn luôn kèm theo những sự không chắc chắn chủ yếu do bốn nguyên nhân như: Sai số do ngẫu nhiên hoặc hệ thống của dữ liệu đầu vào; sai số do việc quan trắc, lưu giữ số liệu thủy văn; sai số do thông số mô hình không tối ưu; và sai số do sự không đầy đủ hoặc sai lệch của cấu trúc mô hình [1]. Để giảm bớt nh bất định và tăng độ chính xác của dự báo dòng chảy, đánh giá sự không chắc chắn của mô phỏng dòng chảy sử d ng mô hình thủy văn là điều rất cần thiết.
Đã có rất nhiều nghiên cứu nhằm định lượng nh bất định trong mô phỏng mưa dòng chảy, những nghiên cứu này thường ước nh độ bất định cho những khu vực có đầy đủ dữ liệu thông n khí tượng thuỷ văn và các đặc điểm của vùng nhưng hiếm khi ước nh cho các vùng thông n không đầy đủ. Vì vậy, nghiên cứu này được thực hiện để ước nh không chắc chắn của dòng chảy sử d ng mô hình SURR trên lưu vực khu giữa sông Lô từ trạm Đạo Đức đến Hàm Yên.
2. Phương pháp nh toán
2.1. Mô hình mưa – dòng chảy SURR và tham số hóa b thông số mô hình
a. Lý thuyết mô hình
Mô hình SURR được phát triển bởi Phòng ng- hiên cứu Tài nguyên nước và GIS, Khoa kỹ thuật môi trường dân d ng, Đại học Sejong, Hàn Quốc (Lee and Bae, 2010). Mô hình dựa trên mô hình trữ nước SFM (Kimura et al., 1961), với những mô phỏng chi ết hơn các thành phần trong chu trình thủy văn như bốc hơi ềm năng, dòng chảy mặt, dòng chảy sát mặt (lateral ow), dòng chảy ngầm
Các thành phần dòng chảy lưu vực Ssb được mô phỏng phương trình (1) và pha về dòng chảy trong kênh dẫn Schtheo phương trình (2). Trong đó có xét đến dòng chảy bề mặt Qsur, dòng chảy sát mặt Qlat, dòng chảy ngầm Qgw, Kch và Pch là hằng số trong kênh dẫn hở.
Theo phân ch về độ nhạy cảm của từng thông số khác nhau trong mô hình mưa - dòng chảy SURR, bài báo đã chọn ra năm thông số SURR êu biểu dựa trên đặc trưng về nh chất địa chất và thủy văn từng ểu lưu vực để thực hiện quá trình tham số hóa, bao gồm các thông
*Liên hệ tác giả: Lê Thị Kim Ngân Email: nganltk.imh@gmail.com
số L GSB (thời gian trễ trong lưu vực con), LPH BF (hệ số dòng chảy cơ sở), SURL G (độ trễ dòng chảy mặt), KSB (hệ số dòng chảy trong lưu vực con), KCH (hệ số dòng chảy trong kênh).
b. Chỉ êu đánh giá mô hình
Hai chỉ tiêu đánh giá thông số mô hình được sử d ng trong bài báo này gồm sai số tổng lượng (F) và chỉ số Nash (3) và (4) để đánh giá độ chính xác của dòng chảy mô
phỏng Qsimso với dòng chảy thực tế Qobs. Quá trình này rất cần thiết nhằm chứng tỏ rằng mô hình SURR có thể áp d ng cho mô phỏng dòng chảy phù hợp với các điều kiện tại lưu vực khu giữa sông Lô.
Hình 1. Sơ đồ nghiên cứu
Hình 2: Cấu tr c mô hình SURR
( )= ( )− +τ ( )− +τ ( )−τ − ( )
( )= ( ) − ( )
∑ (2)
(1)
Hình 3: Các thành phần nước và sự di chuyển của các thành phần trong đất
2.2. Đánh giá nh bất định bằng phương pháp GLUE
Phương pháp đánh giá độ bất định GLUE (Genarelized Likelihood Uncertainty Es ma ons) [2] là một phương pháp thống kê để định lượng sai số của các mô hình dự báo bằng việc chỉ ra một khoảng bất định trong nh toán gây ra do các bộ thông số mô hình khác nhau. Bản chất của phương pháp này dựa trên việc thực hiện số lượng lớn các phép thử để chạy mô hình với các giá trị khác nhau của bộ thông số mô hình.
Bằng cách so sánh các giá trị mô phỏng tạo ra bới các bộ thông số khác nhau này, so sánh với giá trị quan trắc thực tế tại từng mốc thời gian xác định, mỗi bộ thông số sẽ chỉ ra một tương quan biểu diễn giá trị tương quan mô phỏng, ký hiệu L(θ|Q).
a. Đánh giá nh bất định cho bộ thống số Tiếp theo, thuật toán Monte Carlo được sử d ng để lấy ngẫu nhiên các mẫu của bộ tham số mô hình. Mỗi bộ tham số được lựa chọn này sẽ được dùng làm điều kiện biên cho mô hình SURR. Sau đó giá trị likelihood L (θ|Q) ứng với mỗi bộ thông số được thiết lập theo phương trình (5), trong đó, Qobs và Qsim tương ứng là dòng chảy thực tế và l mô phỏng tại thời điểm t;
là dòng chảy trung bình của tập hợp các dòng chảy nh toán tại thời điểm t. Một bộ tham số được đánh giá là phù hợp hay không phù hợp trong mô phỏng sẽ dựa trên sự so sánh các giá trị tương quan mô phỏng của chính bộ tham số đó đối chiếu với một mức độ n cậy α. Các bộ thông số phù hợp sẽ được giữ lại để đánh giá bất định dựa trên các êu chí đánh giá r-factor và p-factor.
(3)
(4)
( ) ( )
( )
θ =
=
−
= −
−
∑
∑ (5)
( )
−
= −
−
∑
∑
(
−)
=
b. Đánh giá nh bất định cho dữ liệu mưa đầu vào
Sử d ng phương pháp Monte - Carlo để tạo các chuỗi dữ liệu mưa khác nhau tương ứng với chuỗi thời gian đã chọn. Các giá trị ngẫu nhiên được tạo ra trong khoảng -1 đến 1 với giả thiết nó tuân theo phân bố chuẩn (N~(0,1). Sau đó nh toán tập các chuỗi lượng mưa (ensemble rainfall) với giá trị dao động quanh giá trị trung bình là 10%.
Mỗi kết quả mô phỏng dòng chảy bằng mô hình SURR, sẽ cho 1 kết quả nh toán thông số khả năng L (P|Q) dựa trên công thức (5). Lọc bỏ các chuỗi dựa theo mức độ n cậy α để xác định các chuỗi mưa có L (P|Q) ≥ α. Từ tập các chuỗi
Hình 4. Sơ đồ đánh giá bất định bộ thông số mô hình
được lựa chọn sẽ ến hành đánh giá bất định dựa theo các êu chí sau.
c. Tiêu chí đánh giá nh bất định
Khoảng bất định có thể được xác định bằng cách sử d ng nhiều mô phỏng tương ứng với các thông số được chấp nhận. Biên của khoảng bất định này gồm có giới hạn trên (UL) và giới hạn dưới (LL) của các thông số phù hợp, được nh theo phương trình (6) và (7). Giá trị dòng chảy tại biên giới hạn trên và biên giới hạn dưới có thể được nh theo phương trình (8) và (9).
Trong đó giá trị QLLgọi là dòng chảy mô phỏng các giá trị giới hạn dưới, QULgọi là dòng chảy mô phỏng của giá trị giới hạn trên, Qminvà Qmaxlà các dòng chảy nhỏ nhất và dòng chảy lớn nhất tại
Hình 5. Sơ đồ đánh giá bất định chuỗi dữ liệu mưa thời điểm t, θminvà θmaxlà các thông số tương
ứng với giá trị Qminvà Qmax, θLLvà θULlà các thông số tương ứng với các giá trị biên giới hạn dưới và giới hạn trên.
Trong đó, các chỉ số hiệu quả để đánh giá nh bất định trong các mô phỏng dòng chảy trong phương pháp GLUE gồm hai êu chí là p-factor và r- factor. Với p-factor (gọi là giá trị tỷ lệ CR) được định nghĩa là tỷ số giữa số các giá trị dòng chảy thực tế rơi trùng đúng vào khoảng bất định (QUL, QLL) như mô tả trong công thức (10). QULlà dòng chảy mô phỏng của các giới hạn trên, QLL là dòng chảy mô phỏng giới hạn dưới, Qobs(t) là dòng chảy quan trắc tại thời điểm t. Nếu p-factor lớn hơn 50%, độ bất định thấp và ngược lại, nếu p-factor nhỏ (dưới 50%), độ bất định cao.
( )= −σ (6) ( )= +σ
(
θ θ)
θ θ
θ θ
= + − −
−
(
θ θ)
θ θ
θ θ
= + − −
−
(7)
(8) (9)
Với chỉ số thứ hai, r-factor biển diễn chiều rộng trung bình của khoảng bất định. Nếu giá trị của r-factor thấp tương ứng sự bất định là nhỏ như trong phương trình (11), trong đó là mức trung bình của dòng chảy quan trắc thực tế.
=
=
− = −
−
∑ ∑
3. Kết quả nh toán
3.1. Quá trình hi u chỉnh và kiểm định b thông số mô hình
Lưu vực nghiên cứu được chia thành 33 lưu vực con, với 6 trạm khí tượng: Hà Giang, Bắc Mê, Hoàng Su Phì, Bắc Hà, Bắc Quang, Hàm Yên, hai trạm thủy văn: Đạo Đức và Hàm Yên.
Nhóm nghiên cứu sử d ng các trận lũ điển hình (trận lũ lớn được ghi nhận trong lịch sử) đó là trận lũ tháng 8/1996 để kiểm định và trận lũ tháng 7/2000 và 8/2002 tại trạm Hàm Yên để hiệu chỉnh mô hình. Kết quả hiệu chỉnh ME
=0.80, REV = 5, kết quả kiểm định ME= 0,86, REV = 6,3 với trận lũ 7/2000 và ME = 0,82 và
Hình 6. Các ểu lưu vực và mạng lưới trạm KTTV
Hình 7. Kết quả hiệu chỉnh và kiểm định mô hình
(10)
REV = 7,56 với trận lũ 8/2002 cho thấy đây là kết quả khá tốt. Bộ thông số m được của mô hình SURR trên có thể sử d ng để mô phỏng dự báo lũ cho lưu vực khu giữa sông Lô.
3.2. Đánh giá nh bất định do b thông số Trong nghiên cứu này, thuật toán Monte Carlo được áp d ng để lựa chọn ngẫu nhiên 200 bộ thông số cho mô hình SURR. Mô phỏng dòng chảy được lặp đi lặp lại dựa trên 1000 bộ
thông số được lấy ngẫu nhiên, trong đó dải giới hạn cho từng thông số tương ứng như sau: KSB (50÷70), L GSB (0,1÷4), KCH (2000÷15000), SURL G (1,5÷4), LPH BF (0,2÷2). Các dải thông số được phân bố đồng đều và được lựa chọn dựa vào độ n cậy α= 70%, cuối cùng chỉ những giá trị phù hợp với êu chí của phương pháp GLUE được lựa chọn để mô phỏng dải bất định của dòng chảy.
Hình 8. Kết quả hiệu chỉnh 8/1996
Hình 9. Kết quả nh toán với 200 bộ thông số Như vậy các thông số cáo giá trị L (θ|Q) lớn
hơn mức độ n cậy được chấp nhận, nhưng thông số cho giá trị L (θ|Q) nhỏ hơn mức độ n cậy thì loại bỏ. Ứng với các trận lũ tháng 8/1996, 7/2000 và tháng 8/2002 số lượng các chuỗi cho kết quả độ n cậy α ≥ 70%/ tổng số bộ thông số lần lượt là: 133/200, 175/200 và 145/200.
Kết quả nh toán 2 êu chí r-factor và p-fac-
tor để nh toán độ bất định (Bảng 1).
4. Đánh giá nh bất định d liệu mưa đầu vào Với giả thiết sử d ng bộ thông số m được trong quá trình hiệu chỉnh và kiểm định tại m c 3.1 đến nh toán đánh giá bất định cho dữ liệu đầu vào mưa. Giả thiết yếu tố bất định do mưa gây ra bởi sai số hệ thống với độ bất định
10%. Sử d ng mô phỏng Monte Carlo để tạo 40 chuỗi mưa ngẫu nhiên ứng với mỗi trận lũ tháng 8/1996, 7/2000 và tháng 8/2002.
Mỗi chuỗi dữ liệu mưa số Pi (i = 1 ... 40) sẽ được áp d ng trong mô hình SURR để ến hành mô phỏng, và tương ứng với 1 giá trị L (P|Q) để đánh giá bất định cho từng chuỗi. Kết quả
nh toán cho thấy hầu hết các chỉ êu Nash dao động từ 63% đến 86%. Với kết quả trên lựa chọn mức độ n cậy σ =70% cho nghiên cứu này. Kết quả các chuỗi đạt L (P|Q) ≥ 70%/ tổng số bộ thông số lần lượt là: 38/40, 40/40 và 40/40.
Kết quả nh toán các chỉ êu đánh giá bất định r-factor và p-factor trình bày trong Bảng 2.
Bảng 1. Kết quả đánh giá bất định cho bộ thông số mô hình
Hình 10. Kết quả nh toán với 200 bộ thông số Bảng 2. Kết quả đánh giá bất định cho dữ liệu mưa đầu vào
Năm L (θ|Q) (%) p-factor (%) r-factor
1996 6~80 66,5 0,83
2000 32~94 87,5 0,93
2002 18~87 72,5 0,65
Năm L (θ|Q) (%) p-factor (%) r-factor
1996 63~85 95,0 0,30
2000 72~86 100 0,36
2002 73~88 100 0,34
5. Kết luận
Bộ thông số mô hình SURR cho mô phỏng khu vực khu giữa sông Lô có độ bất định thấp, các giá trị p-factor ở cả 3 năm đều đạt trên 50%, các giá trị L(θ| Q) tương đối cao thấp nhất 6%
trong mô phỏng trận lũ năm 8/1996 và cao nhất 94% trong mô phỏng trận lũ tháng 7/2000.
Độ rộng bất định (r-factor) của dòng chảy mô phỏngtại thời điểm đỉnh lũ luôn lớn hơnsovới thời điểm bắt đầu hoặc kết thúc của mỗi giai đoạn nh toán. Nhưng đều nằm trong phạm vi cho phép
Như vậy, việc sử d ng bộ thông số mô hình SURR có độ bất định thấp trong mô phỏng cho lưu vực khu giữa, các kết quả dự báo sau sẽ có độ n cậy cao hơn.
Kết quả đánh giá bất định tại cả 3 trận lũ, tổng số chuỗi cho kết quả L(P|Q) ≥ 70% rất cao, tại trận lũ 8/1996 là 38 chuỗi, tại 2 trận lũ 7/2000 và tháng 8/2002 đều là 40 chuỗi. Các giá trị p-factor ở 3 năm rất cao >95. Kết quả trên có được là do dữ liệu thực đo mưa đã được chỉnh biên rất chính xác nên có độ bất định thấp. Như vậy, sai số hệ thống của chuỗi dữ liệu mưa có thể bỏ qua và chuỗi dữ liệu mưa có độ chính xác cao được dùng cho nh toán ph c v các ứng d ng thủy văn khác nhau.
Như vậy, dữ liệu mưa đầu vào để nh toán mô phỏng cho lưu vực khu giữa mô hình SURR cho mô phỏng khu vực khu giữa sông Lô có độ bất định rất thấp.
Tài liệu tham khảo
1. J.C. Refsgaard, B.S (1996), “MIKE SHE: Computer models of watershed hydrology”, J. Water Resources,809–846.
2. Beven, K.J and Binley, .M (1992), “The future of distributed models: Model calibra on and uncertainty predic on”, J. Hydrological processes, 6, 279 – 298.
3. Lee, H., Balin, D., Shrestha, R.R. and Rode, M. (2010), “Stream ow Predic on with Uncertainty nalysis”, Weida Catchment, Germany, KSCE J. of Civil Engineering,14, 413-420.
4. Lee, B.J. and Bae, D.H (2011), “Development of Con nuous Rainfall-Runo Model for Flood Forecas ng on Large-Scale Basin”, Korea Water Resources Ins tute Proceedings, 44(1), January 2011.
5. Nguyễn Tiền Giang, Daniel V.P., Phạm Thu Hiền (2009),“Công nghệ dự báo lũ khi xét đến nh bất định của mô hình thủy văn: Cơ sở lý thuyết”, Tạp chí Khoa học ĐHQGHN, Khoa học Tự nhiên và Công nghệ,25(3S), 403-411.
PPLIC TION OF GLUE METHOD SSESSING THE UNCERT INTY OF R INF LL RUNOFF D T FOR SURR MODEL
IN SIMUL TING FLOW OF LO RIVER
Le Thi Kim Ngan(1), Nguyen Hoang Minh(2)
(1)Centre for HydroMet and Climate change Consultancy
(2)Civil and Environmental Engineering, Sejong University, Seoul, Korea
Received: 26 February 2018; ccepted: 20 March 2018
bstract:In the use of rain- ow models, there are always certain errors due to subjec ve as well as objec ve reasons.Therefore, it is important to evaluate the uncertainty of the set of model parameters and the model input data. The study will introduce the uncertainty es ma on GLUE to evaluate the SURR ow model parameters and rainfall input data in the simula on of the basin area between the Lo River. The purpose of the report is to nd the appropriate set of parameters for simula on of ow in the basin of the Lo River. Uncertainty assessment results in increased accuracy of ow forecas ng.
Keywords:Uncertainty assessment, GLUE, SURR model, Lo river.
